Glossaire IA
Le lexique francophone de l'Intelligence Artificielle. Retrouvez les définitions claires de tous les termes clés.
109 définitions disponibles
A
AGI (Intelligence Artificielle Générale)
IA théorique capable de comprendre, d'apprendre et d'accomplir n'importe quelle tâche intellectuelle qu'un être humain peut faire.
ANI (Intelligence Artificielle Étroite)
IA conçue et entraînée pour résoudre un seul type de tâche (toutes les IA actuelles sont des ANI).
API (Interface de Programmation d'Application)
Passerelle technique permettant à un logiciel de communiquer avec un modèle d'IA hébergé à distance.
ASI (Superintelligence Artificielle)
Niveau d'intelligence artificielle théorique qui dépasserait l'intellect humain dans absolument tous les domaines.
Agent Autonome
Système logiciel ou matériel capable d'agir de manière indépendante pour atteindre des objectifs.
Algorithme
Suite d'instructions ou de règles définies pour accomplir une tâche ou résoudre un problème.
Alignement de l'IA (Alignment)
Défi consistant à s'assurer que les objectifs et comportements de l'IA correspondent parfaitement aux intentions humaines.
Analyse Prédictive
Utilisation de données, d'algorithmes statistiques et de ML pour identifier la probabilité de résultats futurs.
Annotation (Labellisation)
Action d'ajouter des étiquettes ou des métadonnées aux données pour l'apprentissage supervisé.
Apprentissage Non Supervisé
Entraînement d'un modèle sur des données non étiquetées pour y découvrir des structures sous-jacentes.
Apprentissage Semi-supervisé
Méthode utilisant une petite quantité de données étiquetées et une grande quantité de données non étiquetées.
Apprentissage Supervisé
Entraînement d'un modèle sur un ensemble de données étiquetées (où la réponse attendue est connue).
Apprentissage par Renforcement
Méthode où un agent apprend à prendre des décisions en effectuant des actions et en recevant des récompenses ou des pénalités.
Arbre de Décision
Modèle d'apprentissage supervisé sous forme d'arbre, où chaque nœud représente un test sur un attribut.
B
Batch (Lot)
Sous-ensemble du jeu de données traité en une seule fois par le modèle avant la mise à jour de ses poids.
Biais Algorithmique
Erreurs systématiques et reproductibles dans un système informatique générant des résultats injustes ou discriminatoires.
Biais de sélection
Erreur introduite lorsqu'un jeu de données ne représente pas correctement la réalité qu'il est censé modéliser.
Bounding Box (Boîte englobante)
Rectangle dessiné autour d'un objet détecté dans une image pour définir sa position spatiale.
Boîte Noire
Modèle d'IA dont les mécanismes internes de prise de décision sont opaques et incompréhensibles pour les humains.
C
CNN (Réseau de Neurones Convolutifs)
Type de réseau de neurones particulièrement performant pour l'analyse et le traitement d'images.
Calcul Distribué
Répartition des calculs d'entraînement d'un grand modèle sur plusieurs serveurs ou machines fonctionnant en réseau.
Chatbot
Agent conversationnel conçu pour simuler une conversation humaine par texte ou par voix.
Classification
Tâche d'apprentissage supervisé où l'algorithme doit attribuer une catégorie (étiquette) à une nouvelle donnée.
Cloud Computing
Fourniture de ressources informatiques (serveurs, stockage) via Internet, indispensable pour les lourds calculs d'IA.
Clustering (Partitionnement)
Tâche d'apprentissage non supervisé consistant à regrouper des objets similaires dans des ensembles.
Cobotique
Domaine de collaboration directe entre les humains et les robots dotés d'IA dans un espace de travail partagé.
Confidentialité des Données
Gestion adéquate des données personnelles pour empêcher les fuites lors de l'entraînement des IA.
D
Data Augmentation
Technique visant à augmenter artificiellement la taille d'un dataset en modifiant légèrement les données existantes (ex: rotation d'une image).
Data Mining (Fouille de données)
Processus d'analyse de grandes quantités de données pour y découvrir des modèles ou des corrélations.
Deep Learning (DL)
Apprentissage profond utilisant des réseaux de neurones artificiels à plusieurs couches pour modéliser des abstractions complexes.
Deepfake
Fichier vidéo, audio ou image manipulé de façon très réaliste par l'IA pour faire dire ou faire des choses à quelqu'un.
Descente de Gradient
Algorithme d'optimisation utilisé pour minimiser la fonction de perte en ajustant les paramètres du modèle de manière itérative.
Détection d'Objets
Tâche consistant à identifier et localiser des objets spécifiques au sein d'une image.
E
Edge Computing
Traitement des données au plus près de leur source (ex: capteur, téléphone) plutôt que dans un cloud centralisé.
Ensemble d'entraînement (Training set)
Partie du jeu de données utilisée exclusivement pour ajuster les poids du modèle.
Ensemble de test (Test set)
Données mises de côté et utilisées à la toute fin pour évaluer la performance finale et objective du modèle.
Ensemble de validation
Données utilisées pendant l'entraînement pour évaluer le modèle et ajuster ses hyperparamètres.
Epoch (Époque)
Un passage complet du jeu de données d'entraînement à travers l'algorithme d'apprentissage.
Explicabilité (XAI - Explainable AI)
Ensemble de méthodes permettant aux humains de comprendre la logique et les décisions prises par les algorithmes d'IA.
Éthique de l'IA
Branche de la technologie visant à garantir que l'IA est développée et utilisée de manière morale et bénéfique pour l'humanité.
F
Feature Engineering
Processus de sélection, modification ou création de variables (features) pour améliorer la performance d'un modèle.
Federated Learning (Apprentissage Fédéré)
Entraînement d'un modèle de manière décentralisée sur plusieurs appareils locaux sans échanger les données brutes.
Few-shot Learning
Capacité d'un modèle à apprendre une nouvelle tâche à partir d'un très petit nombre d'exemples.
Fine-tuning (Affinage)
Poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données ciblé, pour spécialiser son style, son format de sortie ou son domaine.
Fonction d'Activation
Équation mathématique qui détermine si un neurone artificiel doit s'activer ou non en fonction de ses entrées.
Fonction de Perte (Loss Function)
Formule mesurant l'écart entre les prédictions du modèle et les résultats réels attendus.
Fuite de Données (Data Leakage)
Erreur survenant lorsque des informations de l'ensemble de test se retrouvent par erreur dans l'ensemble d'entraînement.
G
GAN (Réseaux Antagonistes Génératifs)
Système où deux réseaux (générateur et discriminateur) s'affrontent pour produire des données synthétiques ultra-réalistes.
GPU (Processeur Graphique)
Puce informatique très efficace pour le calcul parallèle, devenue le standard pour l'entraînement des modèles d'IA.
H
I
IA Générative (Generative AI)
Famille de modèles d'IA capables de créer des contenus inédits (texte, image, audio, vidéo, code) à partir d'une consigne.
Inférence
Phase d'utilisation réelle d'un modèle d'IA entraîné, lorsqu'il reçoit de nouvelles données et effectue une prédiction.
Intelligence Artificielle (IA)
Ensemble de techniques visant à permettre aux machines d'imiter une forme d'intelligence réelle.
J
K
L
LLM (Grand Modèle Linguistique)
Modèle de Deep Learning entraîné sur des quantités massives de texte pour comprendre et générer du langage.
LSTM (Long Short-Term Memory)
Type spécifique de RNN capable d'apprendre des dépendances sur le long terme, très utile en NLP.
Latence
Délai qui s'écoule entre le moment où une donnée est soumise à l'IA et le moment où elle fournit sa réponse.
Logique Floue (Fuzzy Logic)
Système mathématique qui raisonne avec des degrés de vérité (de 0 à 1) plutôt qu'avec des valeurs booléennes strictes (Vrai/Faux).
M
MCP (Model Context Protocol)
Standard ouvert qui permet à une application d'IA de se connecter à des outils et à des sources de données externes de façon uniforme.
MLOps (Machine Learning Operations)
Ensemble de pratiques visant à déployer et maintenir de manière fiable et efficace les modèles de ML en production.
Machine Learning (ML)
Apprentissage automatique permettant à un système d'apprendre à partir de données sans être explicitement programmé.
Modèle de Diffusion
Modèle génératif qui apprend à créer des images en détruisant d'abord les données avec du bruit, puis en inversant le processus.
Modèle de Fondation
Vaste modèle d'IA entraîné sur un large éventail de données non étiquetées, adaptable à de nombreuses tâches.
N
NLG (Génération de Langage Naturel)
Processus par lequel une IA produit du texte lisible et naturel à partir de données structurées.
NLP (Traitement du Langage Naturel)
Branche de l'IA qui aide les ordinateurs à comprendre, interpréter et manipuler le langage humain.
NLU (Compréhension du Langage Naturel)
Sous-ensemble du NLP axé spécifiquement sur la compréhension du sens, de l'intention et du contexte d'un texte.
NPU (Neural Processing Unit)
Puce spécialisée embarquée (souvent dans les smartphones) pour exécuter des tâches d'IA directement sur l'appareil.
Nettoyage de données
Processus de détection et de correction (ou suppression) des erreurs ou incohérences dans un jeu de données.
O
P
PCA (Analyse en Composantes Principales)
Technique de réduction de dimension permettant de simplifier la complexité d'un grand nombre de variables.
Poids (Weights)
Valeurs numériques au sein d'un réseau de neurones déterminant l'importance d'une connexion entre deux neurones.
Prompt
Instruction ou texte de départ fourni par l'utilisateur pour guider la génération de l'IA.
Prompt Engineering
Pratique consistant à concevoir et optimiser les prompts pour obtenir les meilleurs résultats d'un LLM.
Q
R
RAG (Retrieval-Augmented Generation)
Technique couplant la recherche d'informations dans une base de données avec la génération de texte pour des réponses factuelles.
RNN (Réseau de Neurones Récurrents)
Type de réseau de neurones conçu pour traiter des données séquentielles (texte, séries temporelles).
Random Forest (Forêt Aléatoire)
Algorithme combinant les résultats de multiples arbres de décision pour obtenir une prédiction plus précise et stable.
ReLU (Rectified Linear Unit)
La fonction d'activation la plus utilisée dans les réseaux de neurones profonds, qui remplace les valeurs négatives par zéro.
Reconnaissance Faciale
Technologie permettant d'identifier ou de vérifier l'identité d'une personne à partir de son visage.
Reconnaissance Vocale (Speech-to-Text)
Technologie permettant de transcrire la voix humaine en texte.
Robustesse
Capacité d'un modèle d'IA à maintenir ses performances malgré des données d'entrée bruitées, imprévues ou malveillantes.
Régression
Tâche d'apprentissage supervisé visant à prédire une valeur continue (ex: un prix, une température).
Réseau de Neurones Artificiels
Modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques.
Rétropropagation (Backpropagation)
Méthode de calcul utilisée pour ajuster les poids d'un réseau de neurones en fonction de l'erreur commise en sortie.
S
SVM (Machine à Vecteurs de Support)
Algorithme de classification très performant qui cherche à trouver un "hyperplan" séparant au mieux les données.
Segmentation d'Image
Division d'une image en plusieurs segments au niveau du pixel pour simplifier son analyse.
Sous-apprentissage (Underfitting)
Phénomène où un modèle est trop simple pour capturer la complexité des données d'entraînement.
Stop Words (Mots vides)
Mots très courants (le, la, et, de) souvent filtrés lors du traitement du langage car ils apportent peu de sens direct.
Surapprentissage (Overfitting)
Phénomène où un modèle apprend par cœur ses données d'entraînement mais échoue à généraliser sur de nouvelles données.
Système Expert
Logiciel capable de reproduire les mécanismes cognitifs d'un expert humain dans un domaine particulier.
Système de Recommandation
Algorithme visant à suggérer des éléments pertinents (films, produits) à un utilisateur selon son profil.
Séries Temporelles (Time Series)
Suite de points de données indexés dans l'ordre chronologique, souvent utilisés pour la prévision (météo, bourse).
T
TF-IDF
Mesure statistique évaluant l'importance d'un mot dans un document par rapport à une collection de documents.
TPU (Tensor Processing Unit)
Puce conçue spécifiquement par Google pour accélérer les calculs des réseaux de neurones (Machine Learning).
Taux d'Apprentissage (Learning Rate)
Taille du pas pris par le modèle lors de la mise à jour de ses poids à chaque itération (détermine la vitesse d'apprentissage).
Température
Paramètre contrôlant la créativité et l'aléatoire des réponses générées par un LLM.
Test de Turing
Test proposé par Alan Turing en 1950 pour déterminer si une machine peut imiter la conversation humaine.
Token
Unité de base de traitement du texte par une IA (peut être un mot, une syllabe ou un caractère).
Top-K
Paramètre limitant les choix du prochain mot généré par un LLM aux K mots les plus probables.
Top-P (Nucleus Sampling)
Paramètre choisissant le prochain mot parmi l'ensemble des mots dont la probabilité cumulée atteint le seuil P.
Transfer Learning
Technique réutilisant un modèle pré-entraîné sur une tâche pour l'appliquer à une tâche différente mais connexe.
Transformer
Architecture de réseau de neurones utilisant des mécanismes d'attention, base des LLM modernes.